Question

我需要将存储在pandas.DataFrame中的数据转换为字节字符串，其中每列可以具有单独的数据类型（整数或浮点）。这是一组简单的数据：

df = pd.DataFrame([ 10, 15, 20], dtype='u1', columns=['a'])
df['b'] = np.array([np.iinfo('u8').max, 230498234019, 32094812309], dtype='u8')
df['c'] = np.array([1.324e10, 3.14159, 234.1341], dtype='f8')

和df看起来像这样：

    a            b                  c
0   10  18446744073709551615    1.324000e+10
1   15  230498234019            3.141590e+00
2   20  32094812309             2.341341e+02

DataFrame知道每列df.dtypes的类型，所以我想做这样的事情：

data_to_pack = [tuple(record) for _, record in df.iterrows()]
data_array = np.array(data_to_pack, dtype=zip(df.columns, df.dtypes))
data_bytes = data_array.tostring()

这通常可以正常工作但在这种情况下（由于df['b'][0]中存储的最大值。上面的第二行将元组数组转换为具有给定类型集合的np.array会导致以下错误：

OverflowError: Python int too large to convert to C long

错误结果（我相信）在第一行中将记录提取为具有单一数据类型的Series（默认为float64），并在float64中选择了表示最大uint64值不能直接转换回uint64。

1）由于DataFrame已经知道每列的类型，有没有办法绕过创建一行元组输入到类型numpy.array构造函数？或者有没有比上面概述的更好的方法来保留这种转换中的类型信息？

2）是否可以使用每列的类型信息直接从DataFrame转换为表示数据的字节字符串。

Answer 1

您可以使用df.to_records()将数据帧转换为numpy重新排列，然后调用.tostring()将其转换为字节字符串：

rec = df.to_records(index=False)

print(repr(rec))
# rec.array([(10, 18446744073709551615, 13240000000.0), (15, 230498234019, 3.14159),
#  (20, 32094812309, 234.1341)], 
#           dtype=[('a', '|u1'), ('b', '<u8'), ('c', '<f8')])

s = rec.tostring()
rec2 = np.fromstring(s, rec.dtype)

print(np.all(rec2 == rec))
# True

将pandas.DataFrame转换为字节

1 个答案: